Die Personensuche zielt darauf ab, eine angefragte Person gleichzeitig in realistischen, ungeschnittenen Bildern zu lokalisieren und zu identifizieren und kann als vereinigte Aufgabe der Fußgängererkennung und Person-Re-Identifikation (Re-ID) angesehen werden. Die meisten bestehenden Ansätze verwenden zweistufige Detektoren wie Faster-RCNN, was zu überzeugenden Genauigkeitswerten führt, jedoch mit hohem Rechenaufwand verbunden ist. In dieser Arbeit präsentieren wir das Feature-Aligned Person Search Network (AlignPS), das erste anchor-free-Frame­work, das diese anspruchsvolle Aufgabe effizient löst. AlignPS adressiert explizit die zentralen Herausforderungen, die wir als Missalignment-Probleme auf verschiedenen Ebenen (d.h. Skalierung, Region und Aufgabe) zusammenfassen, wenn ein anchor-free-Detektor für diese Aufgabe eingesetzt wird. Genauer gesagt, schlagen wir ein ausgerichtetes Merkmalsaggregationsmodul vor, das durch die Einhaltung des „Re-ID zuerst“-Prinzips differenziertere und robuster Merkmalsdarstellungen erzeugt. Dieser einfache Entwurf verbessert die Basis-Anchor-free-Modell auf CUHK-SYSU um mehr als 20 % in mAP. Darüber hinaus übertrifft AlignPS state-of-the-art zweistufige Methoden sowohl hinsichtlich der Genauigkeit als auch der Geschwindigkeit. Der Quellcode ist unter https://github.com/daodaofr/AlignPS verfügbar.